Примечание: следующее было отредактировано после комментария whuber
Возможно, вы захотите принять подход Монте-Карло. Вот простой пример. Предположим, что вы хотите определить, является ли распределение криминальных событий A статистически сходным с распределением событий B, вы можете сравнить статистику между событиями A и B с эмпирическим распределением такой меры для случайно переназначенных «маркеров».
Например, учитывая распределение A (белый) и B (синий),
вы случайным образом переназначаете метки A и B на ВСЕ точки в объединенном наборе данных. Это пример одиночной симуляции:
Вы повторяете это много раз (скажем, 999 раз), и для каждого моделирования вы вычисляете статистику (среднюю статистику ближайшего соседа в этом примере), используя случайно помеченные точки. Следующие фрагменты кода находятся в R (требуется использование библиотеки spatstat ).
nn.sim = vector()
P.r = P
for(i in 1:999){
marks(P.r) = sample(P$marks) # Reassign labels at random, point locations don't change
nn.sim[i] = mean(nncross(split(P.r)$A,split(P.r)$B)$dist)
}
Затем вы можете сравнить результаты графически (красная вертикальная линия - исходная статистика),
hist(nn.sim,breaks=30)
abline(v=mean(nncross(split(P)$A,split(P)$B)$dist),col="red")
или численно.
# Compute empirical cumulative distribution
nn.sim.ecdf = ecdf(nn.sim)
# See how the original stat compares to the simulated distribution
nn.sim.ecdf(mean(nncross(split(P)$A,split(P)$B)$dist))
Обратите внимание, что средняя статистика ближайших соседей может быть не лучшим статистическим показателем для вашей проблемы. Такая статистика, как K-функция, может быть более показательной (см. Ответ Уубера).
Вышесказанное может быть легко реализовано внутри ArcGIS с использованием Modelbuilder. В цикле случайное переназначение значений атрибутов каждой точке затем вычисляет пространственную статистику. Вы должны быть в состоянии подсчитать результаты в таблице.